第一期“CAA智能趣微课”成果

2023年中国自动化学会推出“解密自动化”科普系列，打造线上品牌“CAA智能趣微课”，面向中小学生及公众普及AI技术。第一期课程由12位一线教师主导，通过项目实践融合理论教学，涵盖大语言模型编程应用、自然语言处理、计算机视觉（猫狗检测等案例）、语音识别原理、知识图谱构建及机器学习基础。学员将系统接触AI核心领域，在实践项目中掌握基础概念，培养数据建模思维与工程实现能力，实现高端科技资源的科普化转化。

《第一期CAA智能趣微课》视频在智向未来—科教资源服务平台（https://ke.aice.org.cn/）上可以免费学习，对应如下课程摘要描述：

课程1：计算机视觉——如何处理计算机中的图像（北京师范大学附属实验中学 张康）

计算机视觉最核心的研究对象就是图像，了解并掌握图像的表示和基本处理方法和原理是深入学习计算机视觉的基础。本节课围绕图像的表示和处理这两个主题展开，需要注意的是图像处理是一个很宏大的领域，本节课从最基础、最核心的滤波入手，帮助大家了解图像处理的一般过程，以Box Filter为例详细介绍了其计算过程，希望学生能从计算的角度理解滤波。最后通过自己动手编程实现，验证自己是否真正了解计算过程并观察滤波的实际效果。

课程2：计算机视觉——基于CNN的佩戴眼镜检测（成都七中八一学校 周由）

我国中小学生近视率较高，基于计算机视觉技术进行佩戴眼镜检测有助于了解中小学生近视状况；此外，在一些特殊场合，也需要检测人们是否佩戴眼镜（例如护目镜等）。卷积神经网络是解决计算机视觉任务的有力武器，本项目在知识层面包含了卷积神经网络原理浅析、经典卷积神经网络结构分析、搭建卷积神经网络的工具介绍，在实践层面则基于卷积神经网络、网络图片训练了可进行佩戴眼镜检测的AI模型，该项目还可进一步迁移至其他计算机视觉任务中。

课程3：计算机视觉——班级储物柜的人脸解锁系统（深圳实验学校 曾晨怡）

当今，计算机视觉已经与人们的日常生活密不可分，例如人脸识别、自动驾驶、无人机、医学影像分析、工业生产等等。在计算机视觉系统中计算机起代替人脑的作用，但并不意味着计算机必须按人类视觉的方法完成视觉信息的处理。计算机视觉可以根据计算机系统的特点来进行视觉信息的处理。本课以身边真实情境入手—班级储物柜人脸识别系统，教师引导学生共同探究人脸识别的步骤和过程、人眼识别与机器识别的差异对比。通过建立人脸库、人脸对比、人脸检测的过程，编程实现人脸识别的功能，从而培养学生的计算思维和人工智能素养，增强学生的信息意识和信息社会责任。

课程4：计算机视觉——猫狗识别与猫狗检测（中国人民大学附属中学丰台学校 金鑫）

计算机视觉是人工智能领域的重要分支之一，它通过算法和技术让计算机能够理解和解释图像或视频中的信息。图像识别和目标检测是计算机视觉领域的两大主要研究方向。本课程以生活中最为常见的可爱动物猫狗作为识别主体，让学生借助openinnolab平台体验机器学习的全过程，实现计算机视觉的两大任务。学生在经历图像数据采集与处理、模型选择与训练、参数评估与调整及模型推理与优化过程中，了解MobileNet、ResNet、SSD_Lite、Yolo等常见的计算机视觉模型，掌握图像识别和目标检测任务的基本流程，学会计算机视觉技术的实现方法，并能迁移至其他计算机视觉项目进行研发应用。

课程5：计算机视觉——手势控制无人机（重庆一中 陈健）

本次课程旨在让学生了解人工智能分类及应用领域，通过简单知识讲解理解机器学习和人工神经网的原理，最后通过项目开发实践，加深对所学知识的理解。手势控制无人机，如果语言编程来实现，需要具备一定语言编程能力。本次课程结合大疆教育平台，让学生体验深度学习如果获取数据集、训练集、通过模型训练、模型部署等环节，激发学习人工智能兴趣，看懂训练后各种参数。通过本课程学习明白人工智能并非遥不可及，纵然零基础，我们也可通过学习基础知识来开启人工智能大门。

课程6：自然语言处理——分析语言中包含的情感（北京师范大学昌平附属学校 索金涛）

本课是要带领学生们了解自然语言处理的基本概念、关键任务、应用和历史。在这个过程中，学习基于词典情感分析的研究方法，是通过制定一系列的情感词典和规则，对文本拆解、关键词提取，计算情感值，最后通过情感值来判断文本的情感倾向。学生们通过“如何分析用户评价”项目，从项目主题确定、研讨探究方案、项目方案实施、项目协作及结果展示和项目总结五个阶段开展内容的学习。逐渐理解基于情感词典的情感分析实现过程，将知识进行迁移，解决生活实际问题。

课程7：自然语言处理——利用大语言模型辅助编程和项目（北京市十一学校 张炜其）

本课程旨在介绍如何利用近年来开始广泛应用的ChatGPT等大语言模型来辅助计算机科学类课程的学习。课程以一个简单的天气提醒助手项目，在介绍爬虫等基本概念的基础之上，借助大语言模型的AI工具，在完全不动手写代码的情况下，通过文字描述让AI工具生成了可以直接使用的代码。以此为例作为抛砖引玉，希望越来越多的学生可以利用AI工具提升学习和生活的效率，越来越多的教师可以来思考如何更好地将AI工具融合到课程的设计与实践中来，一起探索AIGC时代的新型课堂。

课程8：数据处理与机器学习——以天气气候为例的大数据分析（深圳宝龙外国语学校 谢玮）

本课程旨在通过使用Python对每日天气数据进行分析和可视化，帮助学生体验数据分析和机器学习的过程。“数据分析与可视化”——学习使用Python的数据分析库（如Pandas和NumPy）和可视化库（如Matplotlib）对天气数据进行分析和可视化，以展示数据的趋势和规律。“机器学习初步”——介绍机器学习的基本概念和算法，并引导学生使用Python实现简单的机器学习模型，从而预测未来的天气情况。

课程9：数据处理与机器学习——开水放冰箱的温度下降规律研究（北京市十一学校 吴孟月）

当真实情境中的问题遇到人工智能，现实问题如何转化为计算机可以求解的问题？求解数学问题真的不需要做实验吗？得到的一堆“杂乱”数据应该如何处理？怎样才能知道我们求得的是真实问题中的真实的解？计算误差越小一定就是最优解吗？“热水放冰箱多久才能冰冰凉”的背后究竟蕴藏着多少奥秘？本节课将带你一一探索！

课程10：数据处理与机器学习——用户购买行为的聚类分析（乌鲁木齐八一中学 李天宇）

人们在享受“互联生活”带来便捷的同时，往往伴随着上网“成瘾”的现象，我们面对这些赏心悦目、淘尽天下、通晓古今的软件为什么会“无法自拔”呢？一刹那间，产生“知我者，莫若‘软件’也”的错觉。一起通过网购平台提供的“精准服务”，了解机器“眼中”的用户行为，探析“精准推荐”背后的智能原理，解密“人以群分”的计算之道。

课程11：知识工程——基于知识图谱的问答系统（北京第十二中学 张艺涵）

目前感知智能技术日趋成熟，人工智能的进一步发展则是认知智能。知识图谱是谷歌公司为优化搜索过程而推出的人工智能技术，涉及知识工程、自然语言处理、机器学习、图数据库等多个领域，是认知智能的核心技术，在很多行业具有广泛的应用前景。本课程理论与实践相结合，选择学生熟悉的知识领域——“红楼梦”为教学案例，分为三个部分：知识抽取与融合、知识图谱的构建与查询、问答系统的构建，带学生了解什么是知识图谱？如何构建知识图谱？以及知识图谱如何应用？本课程难度系数不高，可操作性较强。学完本课程后，学生可以自主构建一个小型的知识图谱并进行简单的查询操作。

课程12：语音识别——探究语音识别的原理（中山市中山纪念中学 易锡添）

语音识别技术是一种让计算机“听懂”人类语言的技术。它的原理主要是通过分析语音信号中的特征，将人类语音转换成计算机可理解的文本或指令。本课程将带领大家走进语音识别技术的世界，从原理到应用，全面介绍语音识别技术的基本原理、算法及应用。我们将通过几个实践探究活动，深入剖析语音识别技术的基本原理，如声音输入、MFCC倒谱特征提取、基于深度全序列卷积神经网络（DFCNN）的声学模型匹配、基于维特比算法的语言模型匹配等。通过本课程的学习，大家将了解语音识别技术的基本原理、影响因素及应用场景，掌握语音识别技术在各个领域的应用方法，并能够利用语音识别技术解决实际问题。

第二期“CAA智能趣微课”成果

继2023年，中国自动化学会面向全国中小学生及广大社会公众开设第一期“CAA智能趣微课”线上品牌科普活动，2024年，中国自动化学会陆续发布第二期“CAA智能趣微课”系列课程。

在第二期系列课程中，共邀请13位来自中学的一线资深教师与大家共同探索人工智能领域的奥秘。每位教师将结合自身在教学实践中积累的经验，指导学员完成一个实际的人工智能项目。通过这些精心设计的项目活动，学员不仅能够初步了解大语言模型（例如ChatGPT）在青少年科技创新中的应用潜力，还将首次接触到利用计算机技术分析古诗词等文本内容的技术方法——即自然语言处理技术的应用实例。

此外，课程还涵盖从图像分析到姿态检测、手球识别等一系列基于计算机视觉技术实现的功能演示。最终目标是帮助参与者建立起对数据分析重要性的认识以及构建有效模型的能力（机器学习）。整个学习过程强调理论与实践并重的原则，力求让每位参与者在动手操作的同时深入理解相关理论知识背景。期望通过本系列课程的学习，大家能够掌握关于人工智能的一些基本概念及其工作原理，并激发进一步探究的兴趣。

《第二期CAA智能趣微课》视频在智向未来—科教资源服务平台（https://ke.aice.org.cn/）上可以免费学习，对应如下课程摘要描述：

课程1：大语言模型助力科创研学（中国人民大学附属中学丰台学校 金鑫）

大语言模型的出现让我们的时代发生了翻天覆地的变化。在AIGC时代，如何正确高效地使用大语言模型成为学生亟须学习的技能，而国外大语言模型的诸多限制，让我们无法正常使用大语言模型。本节课以科创研学为切入点，在让学生理解科创研学的意义基础上，介绍了科创研学主题的立题方法，介绍了常用的大语言模型类型并讲述了在本地部署大语言模型的方法，消除了学生本地使用大语言模型的技术壁垒。同时本节课中，教师详细阐述了如何基于大语言模型开展科创研学的路径，以期为同学们的科创研学之旅打开新思路。

课程2：生成式人工智能原理——以CILP模型的图文理解为例（浙江省温州科技高级中学 林淼焱）

本课程基于各类大语言模型的底层“CLIP”模型设计，借助图文信息的相似度比较，探索大模型理解图片与文本背后的原理。学生将学习如何利用编程语言和AI工具，将图像、文字等多媒体信息转换成计算机可处理的数据，并运用这些数据进行创意表达和问题解决。

课程3：计算机视觉——智能识别精灵（上海市浦东新区福山证大外国语小学 张沁漾）

《智能识别精灵》课程是一门融合人工智能技术的创新实践课程。本课程结合真实的项目情境，以设计一款能识别植物的“智能识别精灵”为核心项目，旨在引导学生深入理解图像识别的原理和应用，培养学生的计算思维和创新能力。本节课包括掌握图像识别技术的基础知识，熟悉人工智能编程工具的应用；结合“模型拼搭+智能编程Dbit+”动手实践制作设计的“智能花精灵”，鼓励学生进行个性化设计与创新通过项目实践，提升学生的编程能力和问题解决能力；培养学生的团队协作和沟通能力，激发他们对人工智能技术的兴趣和热情。

课程4：图像颜色识别与主色提取——探秘服装配色（北京市第八中学 蘧征）

颜色是图像中最直观的特征之一，识别颜色对于图像处理、物体检测等具有重要的意义。本课程以图像颜色为核心研究对象，基于“服装配色”的实践项目，引导学生探究识别图像颜色与提取主要颜色的原理与方法。课程以如何获取图像中的服装搭配颜色为核心问题，启发学生逐步分析与思考，开展计算机如何存储图像、如何识别某个区域的颜色、如何提取图像主色三个子问题的研究，学习图像数字化，利用OpenCv识别图像颜色，以及K-means聚类算法的原理与方法等。通过编程实践，让学生体验利用人工智能解决问题的过程与方法。

课程5：姿态识别之蹲起识别与计数（首都师范大学附属中学 贾媛媛）

姿态识别是计算机视觉领域的一个重要研究方向，本节课我们利用姿态识别技术完成蹲起动作的识别与计数项目。项目内容主要包括数据的采集与制作、使用Mediapipe库来提取人体姿态关键点、分别通过计算人体关键点之间的角度变化和KNN算法，实现对蹲起动作的识别与计数。课程将从静态图像的识别过渡到动态视频的识别与计数，展示如何将理论应用到实际场景中。经过动手编程实践，学生将不仅掌握姿态关键点的提取方法，还可学会如何结合数学计算和机器学习算法进行姿态识别，这将为他们在人工智能领域的探索和创新应用打下坚实的基础。

课程6：基于XEdu和BaseML的手球行为识别（温州市绣山中学 洪丹妮）

课程针对足球比赛中手球行为争议判罚的问题，引导学生分析问题、探索技术，设计解决方案，让学生认识并实践图像目标检测和分类技术，制作足球手球行为识别系统，实现手球行为智能判断。学生不仅要从数据多样性、规模性、准确性角度出发，收集和整理数据，并通过图像标注实现足球数据集的初步构建，还会体验运用OpenInnoLab平台的MMedu计算机视觉库和BaseML传统机器学习库，分别实现足球目标检测模型和手球分类模型训练与推理的过程，在实践中逐步理解目标检测、图像分类、人体关键点提取、K近邻算法的概念和实现方式，最终完成足球手球行为识别系统的设计与制作。

课程7：边缘和边缘检测（北京师范大学附属实验中学 张康）

计算机视觉最核心的研究对象就是图像，了解并掌握图像的表示和基本处理方法和原理是深入学习计算机视觉的基础。本节课在上节微课《图像的表示和处理》的基础上重点介绍底层视觉中的边缘和边缘检测算法，本节课先介绍了边缘的概念和边缘在视觉中的作用和价值，接着学习Sobel算法的核心原理，了解Canny算法的核心步骤，最后通过自己动手编程实现，验证自己是否真正了解计算过程并观察边缘检测的实际效果。

课程8：初识手写字体识别（山东省青岛第九中学蔡荣啸）

在深度学习领域中，TensorFlow作为开源的机器学习框架，因其高效性、易用性和强大的社区支持，成了广大开发者和研究者们的首选工具。而手写字体识别（Handwritten Digits Recognition）作为计算机视觉和机器学习的经典案例之一，是初学者了解深度学习原理和应用的绝佳途径。

课程9：我教机器识别物体——感知机器学习（中国人民大学附属中学 彭惠群 王璐）

本课程旨在引导学生探索机器学习的奥秘，以更好地理解技术原理及其发展脉络。在课程中，我们将机器学习与人类学习对比，帮助学生认识到二者的异同。同时，我们将机器学习与人类学习“双线贯通”，即把人类对概念认知的明线（是非、形象、抽象）与机器学习过程的暗线（可教、受限、偏见）相对应。

课程10：什么影响了你的成绩——线性回归（北京十一学校龙樾实验中学 张丽辉）

在本课程中，将通过探讨影响学生成绩的各种因素，深入了解人工智能中的线性回归算法。将从实际问题出发，分析哪些因素对学生成绩有显著影响，并通过数据建模和分析，演示线性回归算法如何用于预测和优化。课程内容涵盖数据预处理、模型训练与评估，以及结果的解释和应用。通过理论讲解与实践操作相结合的方式，帮助学生掌握线性回归算法的基本原理和实用技巧，为学生进一步学习人工智能打下坚实基础。

课程11：强化学习之遗传算法（北京市新英才学校 鲁家钰）

遗传算法是一个经典的强化学习的算法，因其模拟了生物界中的遗传演化的过程，因此而得名。在本节课中，首先将了解机器学习三大范式之一强化学习的主要特点、基本概念和应用场景。然后通过分析生物演化的过程和原理， 理解如何使用遗传算法来实现强化学习。最后，将通过一个专门为本课程研发的《吃豆子》小游戏，直观地看到遗传算法是如何工作的，以及知道影响遗传算法训练效果的若干关键参数。

学生通过参与Code Studio的互动关卡，训练人工智能机器人识别鱼类——是鱼非鱼（是非概念）、形状颜色（形象概念）、情绪状态（抽象概念），从而了解机器学习的一般过程，包括样本的输入、标签的选择与特征的提取，以及了解如何利用模型进行训练、测试和预测。

在互动活动中，学生还将感受样本量的大小（数据的量）与标签的准备率（数据的质）对于机器学习效果的影响，并体会机器在人类“可教”的基础上，却“受限”于人类的训练以及机器学习受到人类“偏见”的影响，进而反思人工智能的便利与挑战，增强自我判断意识，增强社会责任感，为更负责任地使用人工智能奠定基础。

课程12：基于K-Means的聚类算法实践（杭州外国语学校 万春彬）

聚类算法在机器学习领域中占据着举足轻重的地位，它构成了无监督学习领域的核心基石。在本课程中，将通过三个生动具体的实例——水果分类、水果堆的归类以及一组数的集合分类，来深入浅出地介绍聚类算法的相关概念和知识。为了让学生对数据集有更直观、更贴近实际的理解，我们采用图片、表格等多种形式，对鸢尾花及其数据集进行对照解析。这种直观的教学方式将帮助学生建立起对数据集的深刻认识。在实战演练环节，将不仅停留在代码的调用层面，而是通过详尽的代码讲解、运行演示以及手动推演过程的对照，引导学生深入理解聚类算法的原理和过程。特别地，将通过一维特征样本数据的手动推演，将聚类算法的内在机制完美呈现，达成“原理讲懂、讲透”的教学目标。

课程13：数字人文——文本挖掘重读诗词（北京市十一学校 韩思瑶）

数字人文（Digital Humanities）是一个跨学科领域，它利用数字工具和方法来分析、解释和呈现人文学科中的数据和文本，如文学、历史、艺术、音乐和考古学等。文本挖掘（Text Mining）结合自然语言处理（NLP）、数据挖掘、机器学习、统计学和信息检索等技术去发现文本中的模式、趋势和关联，从而帮助人们做出更明智的决策。

本单元利用数据分析以及人工智能技术更好地理解诗词的发展以及背后的规律，帮助我们从数据的角度理解诗词，欣赏诗词之美。本节课选取其中三个问题：熟读唐诗三百首——如何快速获取唐诗数据，唐诗中的“以人为本”——诗词的字频统计，唐诗何以胜我朝——探索诗歌鼎盛时期，帮助大家理解大数据分析的一般过程，并能动手实践从数据角度挖掘诗词文本中的潜在现象。（来源：中国自动化协会）